[논문 리뷰] Comparative study of Financial Time Series Prediction by Artificial Neural Network with Gradient Descent Learning

Arka Ghosh|arXiv (Cornell University)|2011. 11. 21.

Stock Market Forecasting Methods참고 문헌 11인용 수 9

한 줄 요약

이 연구는 기울기 하강법을 사용한 역전파를 통해 훈련된 피드포워드 다층 및 순환 시간 지연 인공 신경망을 이용해 비정상적이고 노이즈가 많은 금융 시계열을 예측하는 데 대해 비교 분석한다. 결과적으로, 작은 표본 크기와 높은 노이즈에도 불구하고 훈련된 신경망이 주가 움직임을 효과적으로 예측할 수 있음을 보여주며, 특히 순환 시간 지연 네트워크가 테스트 데이터셋에서 뛰어난 성능을 보였다.

ABSTRACT

Financial forecasting is an example of a signal processing problem which is challenging due to Small sample sizes, high noise, non-stationarity, and non-linearity,but fast forecasting of stock market price is very important for strategic business planning.Present study is aimed to develop a comparative predictive model with Feedforward Multilayer Artificial Neural Network & Recurrent Time Delay Neural Network for the Financial Timeseries Prediction.This study is developed with the help of historical stockprice dataset made available by GoogleFinance.To develop this prediction model Backpropagation method with Gradient Descent learning has been implemented.Finally the Neural Net, learned with said algorithm is found to be skillful predictor for non-stationary noisy Financial Timeseries.

연구 동기 및 목표

• 인공 신경망을 사용하여 금융 시계열 예측 모델을 개발하고 비교한다.
• 피드포워드 다층 및 순환 시간 지연 신경망의 성능을 주가 예측에 대해 평가한다.
• 기울기 하강법을 사용한 역전파가 비정상적이고 노이즈가 많은 금융 데이터를 다루는 데 효과적인지 평가한다.
• 실제 시장 조건 하에서 더 정확한 예측을 제공하는 신경망 아키텍처를 규명한다.
• 실제 금융 예측 응용 분야에 적합한 신경망 모델의 비교 분석을 제공한다.

제안 방법

• 연구는 기울기 하강법을 사용한 역전파 학습 방식을 적용한 피드포워드 다층 인공 신경망(FF-MLP)을 활용한다.
• 비교 평가를 위해 동일한 학습 알고리즘을 사용한 순환 시간 지연 신경망(R-TDNN)도 구현한다.
• 모델들은 공개된 자료에서 확보한 역사적 주가 데이터를 기반으로 훈련된다.
• 예측 오차를 최소화하기 위해 역전파와 기울기 하강법을 사용해 네트워크 가중치를 반복적으로 갱신한다.
• 훈련 과정은 오차 기울기를 기반으로 가중치를 조정하여 에포크 수에 따라 예측 정확도를 향상시키는 방식이다.
• 일반화 능력을 평가하기 위해 테스트 데이터에 대해 표준 지표를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 피드포워드 다층 신경망과 순환 시간 지연 신경망은 금융 시계열 예측에서 어떻게 비교될 수 있는가?
• RQ2 기울기 하강법을 사용한 역전파가 노이즈가 많고 비정상적인 금융 데이터의 패턴을 효과적으로 학습할 수 있는가?
• RQ3 실제 시장 조건 하에서 FF-MLP와 R-TDNN 중 어느 신경망 아키텍처가 더 정확한 주가 예측을 제공하는가?
• RQ4 네트워크 아키텍처의 선택이 작은 금융 데이터셋에서 예측 성능에 얼마나 큰 영향을 미치는가?
• RQ5 훈련된 신경망 모델이 금융 시계열의 높은 노이즈와 비정상성에 대해 충분히 강건한가?

주요 결과

• 특히 순환 시간 지연 신경망(R-TDNN)을 포함한 훈련된 신경망은 비정상적이고 노이즈가 많은 금융 시계열에서 강력한 예측 능력을 보였다.
• 기울기 하강법을 사용한 역전파 학습 방식은 두 신경망 아키텍처 모두에서 예측 오차를 효과적으로 최소화하는 데 성공했다.
• 테스트 데이터셋에서 순환 시간 지연 신경망이 피드포워드 다층 네트워크보다 예측 정확도에서 뛰어난 성능을 보였다.
• 작은 표본 크기와 금융 데이터의 높은 노이즈에도 불구하고 모델들이 유능한 예측자로 기능하는 것으로 확인되었다.
• 연구는 기울기 하강법으로 훈련된 신경망이 비정상적인 금융 시계열 데이터에 대해 잘 일반화될 수 있음을 확인했다.
• 결과는 시간 패턴 인식이 필요한 금융 예측 과제에 R-TDNN의 활용을 지지한다.